TWI775186B - 射頻指紋訊號處理裝置及射頻指紋訊號處理方法 - Google Patents

射頻指紋訊號處理裝置及射頻指紋訊號處理方法 Download PDF

Info

Publication number
TWI775186B
TWI775186B TW109136300A TW109136300A TWI775186B TW I775186 B TWI775186 B TW I775186B TW 109136300 A TW109136300 A TW 109136300A TW 109136300 A TW109136300 A TW 109136300A TW I775186 B TWI775186 B TW I775186B
Authority
TW
Taiwan
Prior art keywords
transmitter
receiver
feature
signal processing
neural network
Prior art date
Application number
TW109136300A
Other languages
English (en)
Other versions
TW202217628A (zh
Inventor
林霆宇
陳秉君
賴家民
Original Assignee
財團法人資訊工業策進會
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人資訊工業策進會 filed Critical 財團法人資訊工業策進會
Priority to TW109136300A priority Critical patent/TWI775186B/zh
Priority to US17/099,796 priority patent/US11985508B2/en
Priority to GB2018409.9A priority patent/GB2600178B/en
Publication of TW202217628A publication Critical patent/TW202217628A/zh
Application granted granted Critical
Publication of TWI775186B publication Critical patent/TWI775186B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/60—Context-dependent security
    • H04W12/69—Identity-dependent
    • H04W12/79—Radio fingerprint
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/06—Receivers
    • H04B1/16—Circuits
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/10—Integrity
    • H04W12/108—Source integrity

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Electrophonic Musical Instruments (AREA)

Abstract

一種射頻指紋訊號處理裝置，其適用於對複數個輸入訊號執行一機器學習演算法，包括接收器特徵判斷電路以及分類效果判斷電路。接收器特徵判斷電路經配置以於神經網路計算這些輸入訊號。分類效果判斷電路耦接於接收器特徵判斷電路。分類效果判斷電路經適配以回饋接收器特徵分量的資訊至接收器特徵判斷電路。接收器特徵判斷電路減少神經網路的接收器特徵權重，其接收器特徵權重關聯於接收器特徵分量，以使用減少的該接收器特徵權重來計算神經網路之輸出值。

Description

射頻指紋訊號處理裝置及射頻指紋訊號處理方法
本案係有關於一種訊號處理裝置及方法，且特別是有關於一種射頻指紋訊號處理裝置及射頻指紋訊號處理方法。
隨著無線通訊技術的發展，無線裝置之間資料傳遞的資訊安全等級越來越受到注重。無線通訊的便利性，卻也成為使用者的資訊遭到竊取的隱憂，問題之一即為駭客可產生偽裝是合法的通訊裝置，而在無線訊號環境中任意攔截並竄改後發出惡意訊號。為了提升辨識設備的可信度，使用射頻指紋來進行裝置的識別是可行的作法。射頻指紋是通訊裝置的物理層之特徵，基於每個裝置的製程造成的微小差異而有所不同。也因此，射頻指紋可被應用來裝置識別，並且射頻指紋的隨機性及唯一性，較難被複製及竄改，讓裝置識別的可信度大幅提升。
訊號從發送器被傳送時，訊號中即帶有發送器的射頻指紋。另一方面，訊號從接收器被接收時，此帶有發送器射頻指紋的訊號，也會帶有接收器的射頻指紋。換言之，發送器的射頻指紋與接收器的射頻指紋彼此之間會互相影響，導致裝置的辨識度下降。
據此，如何運用射頻指紋訊號來提升裝置的識別效果，是亟需解決的技術問題。
發明內容旨在提供本揭示內容的簡化摘要，以使閱讀者對本案內容具備基本的理解。此發明內容並非本揭示內容的完整概述，且其用意並非在指出本案實施例的重要/關鍵元件或界定本案的範圍。
根據本案之一實施例，揭示一種射頻指紋訊號處理裝置，適用於對複數個輸入訊號執行一機器學習演算法。該射頻指紋訊號處理裝置包括一接收器特徵判斷電路以及一分類效果判斷電路。該接收器特徵判斷電路經配置以於一神經網路計算該些輸入訊號。該分類效果判斷電路耦接於該接收器特徵判斷電路，其中該分類效果判斷電路經適配以回饋一接收器特徵分量的資訊至該接收器特徵判斷電路。該接收器特徵判斷電路減少該神經網路的一接收器特徵權重。該接收器特徵權重關聯於該接收器特徵分量，以使用減少的該該接收器特徵權重來計算該神經網路之一輸出值。
根據另一實施例，揭示一種射頻指紋訊號處理方法，適用於對複數個輸入訊號執行一機器學習演算法，其中該射頻指紋訊號處理方法包括：於一神經網路計算該些輸入訊號；回饋一接收器特徵分量的資訊；減少該神經網路的一接收器特徵權重，其中該接收器特徵權重關聯於該接收器特徵分量；以及使用減少的該該接收器特徵權重來計算該神經網路之一輸出值。
以下揭示內容提供許多不同實施例，以便實施本案之不同特徵。下文描述元件及排列之實施例以簡化本案。當然，該些實施例僅為示例性且並不欲為限制性。舉例而言，本案中使用「第一」、「第二」等用語描述元件，僅是用以區別以相同或相似的元件或操作，該用語並非用以限定本案的技術元件，亦非用以限定操作的次序或順位。另外，本案可在各實施例中重複元件符號及/或字母，並且相同的技術用語可使用相同及/或相應的元件符號於各實施例。此重複係出於簡明性及清晰之目的，且本身並不指示所論述之各實施例及/或配置之間的關係。
請參照第1圖，其繪示根據本案一些實施例中一種射頻指紋訊號處理裝置100的電路方塊示意圖。射頻指紋訊號處理裝置100適用於對複數個輸入訊號執行一機器學習演算法。所述輸入訊號例如是射頻指紋訊號。無線通訊裝置的硬體特性，使得訊號帶有獨一無二的訊號特徵。因此，可藉由分析射頻訊號中的訊號特徵來獲得射頻指紋訊號(Radio Frequency Fingerprint, RFF)。分析得到的射頻指紋訊號可用來識別訊號的發送器及接收器。射頻指紋訊號處理裝置100對這些輸入訊號執行機器學習演算法，以訓練出可正確識別訊號中的發送器及接收器的模型。
所述機器學習演算法可以是使用神經網路的多個層神經元來實現(例如深度學習)，本案不限於機器學習的演算法種類。為便於理解本案內容，本案一些實施例中是以多層感知機(Multilayer perceptron, MLP)作為實施例說明。
如第1圖所示，射頻指紋訊號處理裝置100包括接收器特徵判斷電路112、發送器特徵判斷電路116、分類效果判斷電路120以及集群分析電路130。接收器特徵判斷電路112及發送器特徵判斷電路116耦接於分類效果判斷電路120。分類效果判斷電路120耦接於集群分析電路130。
本案以多層感知機為例，多層感知機的神經網路包括輸入層(input layer)、隱藏層(hidden layer)及輸出層(output layer)。複數個輸入資料(例如是接收射頻訊號後，萃取這些射頻訊號後得到的訊號特徵)被輸入至輸入層的神經元。為簡潔本案的說明書內容，於此不詳細說明多層感知機的各層神經元的數學運算公式。
機器學習在執行的過程中，神經網路的運算會以輸入層、隱藏層及輸出層的流程作為一次學習。依據實際需求，隱藏層可以有一或多個層，每個層的神經元有對應的權重及激活函數(activation function)。輸出層的學習結果可作為下一回合學習的回饋資料，以調整神經網路的各層神經元的權重，使得下一回合學習的學習結果更準確。當輸出層的學習結果的準確率高於一門檻值時，可終止學習程序，而得到可供後續應用的模型。
請復參照第1圖，接收器特徵判斷電路112經配置以於神經網路計算這些輸入訊號，並根據神經元的權重及激活函數來計算下一層的神經元。這些經過運算的神經元的最後一層會輸出作為計算結果。於一些實施例中，分類效果判斷電路120會根據此計算結果，回饋接收器特徵分量的資訊至接收器特徵判斷電路112。接著，接收器特徵判斷電路112會根據此回饋資訊，來調整複數個神經元權重之接收器特徵權重。其中所述接收器特徵權重關聯於接收器特徵分量，使分類效果判斷電路120得以修正神經網路的訓練結果。
於一些實施例中，權重的調整是依據訊號中受接收器的影響程度而定，例如哪些是訊號中的接收器特徵分量。接收器特徵判斷電路112在得到回饋資訊之後，會減少訊號中的接收器特徵分量之權重，以降低神經元的運算值當中(即用來判斷訊號的來源是哪些發送器的數值)受接收器訊號的影響比重。藉此來模糊化接收器的特徵訊號於神經網路中的影響程度。
舉例而言，請參照公式(1.1)至公式(1.3) ，
Figure 02_image001
是第一發送器傳送至第一接收器的特徵參數(下稱第一特徵參數)，
Figure 02_image003
是第一發送器傳送至第二接收器的特徵參數(下稱第二特徵參數)，
Figure 02_image005
是第二發送器傳送至第一接收器的特徵參數(下稱第三特徵參數)。值得一提的是，這邊所指的第一發送器、第二發送器、第一接收器及第二接收器是任意的不同天線，這些發送器及接收器的數量僅為實施例說明，並非用於限制。於此實施例中，特徵參數具有五個分量來作為說明，惟本案不限於此。
Figure 02_image007
Figure 02_image009
Figure 02_image011
請參照公式(2)，w為前述特徵參數對應的權重。於神經網路的運算中，每個神經元會將特徵參數乘以權重來得到加權值，此加權值為下一層神經元的輸入。
Figure 02_image013
…公式(2)
請參照公式(3.1)至公式(3.3)，第一特徵參數的加權值為6，第二特徵參數的加權值為13，第三特徵參數的加權值為13.1。於一些實施例中，分類效果判斷電路120執行梯度下降法(gradient descent)來對這些加權值進行分類，將加權值相近的數值會被分類到同一群組。舉例而言，第一特徵參數的加權值6與其他加權值差異較大，第二特徵參數的加權值13及第三特徵參數的加權值13.1為相近的數值，因此，第一特徵參數會被判定為第一接收器的訊號，而第二特徵參數及第三特徵參數會被判斷為第二接收器的訊號。
Figure 02_image015
Figure 02_image017
Figure 02_image019
接著，分類效果判斷電路120會根據輸出值來判斷對於發送器的分類是否正確。如上所述，第二特徵參數是第一發送器的訊號，然而，第二特徵參數卻被錯誤地判斷是第二發送器的訊號。於一些實施例中，當分類效果判斷電路120使用輸出值將第一發送器的第一輸入訊號分類為第二發送器的第二輸入訊號時，分類效果判斷電路120會回饋輸出值中會影響接收器特徵分量的資訊至接收器特徵判斷電路112。舉例而言，分類效果判斷電路120會從這些特徵參數當中找出可能影響判斷結果的分量，並減少此分量對應的權重，以於下一回合的神經元運算中降低此分量對於整體運算值的影響。
於一些實施例中，接收器特徵判斷電路112於下一回合的神經元運算中使用減少的接收器特徵權重來計算神經網路之輸出值。分類效果判斷電路120使用輸出值來將這些輸入訊號分類為第一發送器的訊號及第二發送器的訊號。舉例而言，第一特徵參數的四個數值與第二特徵參數的四個數值(第一、第二、第四及第五分量)相同，第一特徵參數的第三分量為0.3，第二特徵參數的第三分量為0.7。由此可知，第一特徵參數及第二特徵參數極有可能是相同為第一發送器的訊號，但卻因為權重的因素導致誤判為第二發送器的訊號，而最大的影響因子是第二特徵參數的第三分量。因此，分類效果判斷電路120會回饋第二特徵參數的第三分量的資訊至接收器特徵判斷電路112。如此，接收器特徵判斷電路112會在下一回合的神經網路之運算中，減少第三分量對應的特徵權重(例如將權重w的數值c設定為0)，消除第三分量對於神經元的運算值的影響，藉以修正下一回合的輸出值。
請復參照第1圖，於一些實施例中，當分類效果判斷電路120判定這些輸入訊號是來自於哪些發送器的準確度大於或等於門檻值時，輸出神經網路之訊練結果至集群分析電路130。舉例而言，若分類效果判斷電路120判定這些輸入訊號是來自於哪些發送器的準確度是90%其大於門檻值85%，則代表透過射頻指紋訊號來辨識是哪個發送器的辨識模型已訓練完成。
於一些實施例中，集群分析電路130可根據這些已經訓練完成的神經元權重之辨識模型來識別一未知的射頻訊號之來源接收器。所述的神經元權重包括經減少的接收器特徵權重。
請復參照第1圖，於一些實施例中，發送器特徵判斷電路116會增加神經網路的發送器特徵權重，其中發送器特徵權重關聯於發送器特徵分量，使分類效果判斷電路120修正神經網路之輸出值。發送器特徵判斷電路116增加發送器特徵權重的方法相似於前述，係由分類效果判斷電路120會根據輸出值來判斷對於發送器的分類是否正確，再從這些特徵參數當中找出可能影響判斷結果的分量，使得發送器特徵判斷電路116增加此分量對應的權重，以於下一回合的神經元運算中增加此分量對於整體運算值的影響。藉此來清晰化發送器的特徵訊號於神經網路中的影響程度。
於一些實施例中，發送器特徵判斷電路116會在下一回合的神經網路之運算中使用增加的發送器特徵權重來計算神經網路之輸出值，以增加有助於判斷發送器的訊號分量之權重，藉以修正下一回合的輸出值。
於一些實施例中，集群分析電路130可根據這些已經訓練完成的神經元權重之辨識模型來識別一未知的射頻訊號之來源接收器。所述的神經元權重包括經增加的該發送器特徵權重。
請參照第2圖，其繪示根據本案一些實施例中一種射頻指紋訊號處理方法200的流程圖。
於步驟S210，接收器特徵判斷電路112於第一回合在一神經網路計算這些輸入訊號。
於一些實施例中，接收器特徵判斷電路112經配置以於神經網路計算這些輸入訊號，並根據神經元的權重及激活函數來計算下一層的神經元。這些經過運算的神經元的最後一層會輸出作為計算結果。
於步驟S220，分類效果判斷電路120回饋接收器特徵分量的資訊至接收器特徵判斷電路112。
於一些實施例中，分類效果判斷電路120會根據上述之神經網路的計算結果，從中分析會神經元的數值中會影響判斷發送器的特徵分量，以回饋接收器特徵分量的資訊至接收器特徵判斷電路112。
於步驟S230，接收器特徵判斷電路112於第二回合減少神經網路的接收器特徵權重，其中第二回合在第一回合之後。
於一些實施例中，接收器特徵判斷電路112在得到回饋資訊之後，會減少訊號中的接收器特徵分量之權重，以計算第二回合的神經元的數值。
於步驟S231，接收器特徵判斷電路112於第二回合使用減少的接收器特徵權重來計算該神經網路之輸出值，以修正神經網路的訓練結果。
於一些實施例中，神經網路的所有神經元的運算結果可被分析來判斷哪些輸入訊號是由哪些發送器所傳送，例如執行梯度下降法來對這些運算結果進行分類。所述減少的接收器特徵權重是經過修正的權重(負增強有關接收器的特徵權重)，讓神經網路的所有神經元的運算結果可以反映出真正的發送器的分類群聚。
於步驟S233，分類效果判斷電路120使用輸出值來分類這些輸入訊號的來源，以辨識發送這些輸入訊號的發送器。
於一些實施例中，分類效果判斷電路120執行梯度下降法來對這些運算結果進行分類，屬於同一發送器的訊號會被分類為同一群組。
於步驟S235，分類效果判斷電路120判斷這些輸入訊號的準確度是否大於或等於一門檻值。若準確度大於或等於門檻值，則執行步驟S240。若準確度小於門檻值，則回到步驟S220。
於步驟S240，分類效果判斷電路120輸出該神經網路之訊練結果至集群分析電路130。
於一些實施例中，集群分析電路130可根據這些已經訓練完成的神經元權重之辨識模型來識別一未知的射頻訊號之來源接收器。
請參照第3圖，其繪示根據本案一些實施例中一種射頻指紋訊號處理方法300的流程圖。
於步驟S310，發送器特徵判斷電路116於第一回合在一神經網路計算這些輸入訊號。
於一些實施例中，發送器特徵判斷電路116經配置以於神經網路計算這些輸入訊號，並根據神經元的權重及激活函數來計算下一層的神經元。這些經過運算的神經元的最後一層會輸出作為計算結果。此步驟相似於前述第2圖的步驟S210。
於步驟S320，分類效果判斷電路120回饋發送器特徵分量的資訊至發送器特徵判斷電路116。
於一些實施例中，從中分析會神經元的數值中會影響判斷發送器的特徵分量，以回饋發送器特徵分量的資訊至發送器特徵判斷電路116。
於步驟S330，發送器特徵判斷電路116於第二回合增加該神經網路的發送器特徵權重，其中第二回合在第一回合之後。
於一些實施例中，發送器特徵判斷電路116在得到回饋資訊之後，會增加訊號中的發送器特徵分量之權重，以計算第二回合的神經元的數值。
於步驟S331，發送器特徵判斷電路116於第二回合使用增加的該發送器特徵權重來計算該神經網路之輸出值，以修正神經網路的訓練結果。
於一些實施例中，所述增加的發送器特徵權重是經過修正的權重(正增強有關發送器的特徵權重)，讓神經網路的所有神經元的運算結果可以反映出真正的發送器的分類群聚。
於步驟S333，分類效果判斷電路120使用輸出值來將這些輸入訊號分類為是哪一個發送器的訊號。
於一些實施例中，分類效果判斷電路120執行梯度下降法來對這些運算結果進行分類，屬於同一發送器的訊號會被分類為同一群組。
於步驟S335，分類效果判斷電路120判斷該些輸入訊號的準確度是否大於或等於一門檻值。若準確度大於或等於門檻值，則執行步驟S340。若準確度小於門檻值，則回到步驟S320。
於步驟S340，分類效果判斷電路120輸出神經網路之訊練結果至集群分析電路130。
於一些實施例中，集群分析電路130可根據這些已經訓練完成的神經元權重之辨識模型來識別一未知的射頻訊號之來源接收器。
於一些實施例中，本案的射頻指紋訊號處理裝置100也會訓練識別接收器的識別模型識別接收器的方法相似於前述之識別發送器的方法，於此不再贅述。
於一些實施例中，本案的射頻指紋訊號處理裝置100可同時執行射頻指紋訊號處理方法200及300來訓練出辨識模型，即在訓練用來辨識發送器的同時，訓練用來辨識接收器的模型。此外，本案的射頻指紋訊號處理裝置100可應用訓練好的識別模型，使得一未知的射頻訊號在經過辨識模型的運算之後，同時辨識出訊號的發送器資訊及接收器資訊。
綜上所述，本案可以提升判斷訊號是來自哪些發送器的準確度。換言之，藉由回饋接收器特徵分量來減少神經元的接收器特徵權重，來訓練這些輸入訊號之接收器訊號的負增強，降低接收器特徵訊號對整體訓練的影響程度，使得分類效果判斷電路120不會於這些訊號中辨識出接收器的特徵訊號，據以模糊化接收器的特徵訊號於神經網路中的影響程度。除此之外，本案還可以藉由回饋發送器特徵分量來增加神經元的接收器特徵權重，來訓練這些輸入訊號之發送器訊號的正增強，增加各個發送器特徵訊號對整體訓練的影響程度，可以更容易於這些訊號中辨識出發送器的特徵訊號。
上述內容概述若干實施例之特徵，使得熟習此項技術者可更好地理解本案之態樣。熟習此項技術者應瞭解，在不脫離本案的精神和範圍的情況下，可輕易使用上述內容作為設計或修改為其他變化的基礎，以便實施本文所介紹之實施例的相同目的及/或實現相同優勢。上述內容應當被理解為本案的舉例，其保護範圍應以申請專利範圍為準。
100:射頻指紋訊號處理裝置 112:接收器特徵判斷電路 116:發送器特徵判斷電路 120:分類效果判斷電路 130:集群分析電路 200,300:射頻指紋訊號處理方法 S210~S240,S310~S340:步驟
以下詳細描述結合隨附圖式閱讀時，將有利於較佳地理解本揭示文件之態樣。應注意，根據說明上實務的需求，圖式中各特徵並不一定按比例繪製。實際上，出於論述清晰之目的，可能任意增加或減小各特徵之尺寸。 第1圖繪示根據本案一些實施例中一種射頻指紋訊號處理裝置的電路方塊示意圖。 第2圖繪示根據本案一些實施例中一種射頻指紋訊號處理方法的流程圖。 第3圖繪示根據本案一些實施例中一種射頻指紋訊號處理方法的流程圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
100:射頻指紋訊號處理裝置
112:接收器特徵判斷電路
116:發送器特徵判斷電路
120:分類效果判斷電路
130:集群分析電路

Claims (16)

  1. 一種射頻指紋訊號處理裝置，適用於對複數個輸入訊號執行一機器學習演算法，其中該射頻指紋訊號處理裝置包括：一接收器特徵判斷電路，經配置以於一神經網路計算該些輸入訊號；以及一分類效果判斷電路，耦接於該接收器特徵判斷電路，其中該分類效果判斷電路經適配以回饋一接收器特徵分量的資訊至該接收器特徵判斷電路；其中該接收器特徵判斷電路減少該神經網路的一接收器特徵權重，其中該接收器特徵權重關聯於該接收器特徵分量，以使用減少的該該接收器特徵權重來計算該神經網路之一輸出值。
  2. 如請求項1所述之射頻指紋訊號處理裝置，其中該分類效果判斷電路使用該輸出值來分類該些輸入訊號的發送器來源。
  3. 如請求項2所述之射頻指紋訊號處理裝置，其中當該分類效果判斷電路使用該輸出值將一第一發送器的特徵訊號分類為一第二發送器的特徵訊號時，該分類效果判斷電路解析該輸出值中的該接收器特徵分量以回饋該接收器特徵分量的資訊至該接收器特徵判斷電路。
  4. 如請求項2所述之射頻指紋訊號處理裝置，更包括：一發送器特徵判斷電路，耦接於該分類效果判斷電路，其中該發送器特徵判斷電路經配置以增加該神經網路的一發送器特徵權重，該發送器特徵權重關聯於一發送器特徵分量。
  5. 如請求項4所述之射頻指紋訊號處理裝置，其中該發送器特徵判斷電路使用增加的該發送器特徵權重來計算該神經網路之該輸出值。
  6. 如請求項5所述之射頻指紋訊號處理裝置，其中當該分類效果判斷電路使用該輸出值將一第一發送器的特徵訊號分類為一第二發送器的特徵訊號時，該分類效果判斷電路解析該輸出值中的該發送器特徵分量以回饋該發送器特徵分量的資訊至該接收器特徵判斷電路。
  7. 如請求項4所述之射頻指紋訊號處理裝置，更包括：一集群分析電路，耦接於該分類效果判斷電路，其中當該分類效果判斷電路判定該些輸入訊號的準確度大於或等於一門檻值時，輸出該神經網路之一訓練結果至該集群分析電路。
  8. 如請求項7所述之射頻指紋訊號處理裝置，其中該集群分析電路經配置以根據複數個神經元權重來識別一射頻訊號之一來源接收器，其中該些神經元權重包括經減少的該接收器特徵權重及經增加的該發送器特徵權重。
  9. 一種射頻指紋訊號處理方法，適用於對複數個輸入訊號執行一機器學習演算法，其中該射頻指紋訊號處理方法包括：於一神經網路計算該些輸入訊號；回饋一接收器特徵分量的資訊；減少該神經網路的一接收器特徵權重，其中該接收器特徵權重關聯於該接收器特徵分量；以及使用減少的該該接收器特徵權重來計算該神經網路之一輸出值。
  10. 如請求項9所述之射頻指紋訊號處理方法，更包括：使用該輸出值來分類該些輸入訊號的發送器來源。
  11. 如請求項10所述之射頻指紋訊號處理方法，更包括：當使用該輸出值將一第一發送器的特徵訊號分類為一第二發送器的特徵訊號時，解析該輸出值中的該接收器特徵分量；以及 回饋該接收器特徵分量的資訊。
  12. 如請求項10所述之射頻指紋訊號處理方法，更包括：增加該神經網路的一發送器特徵權重，該發送器特徵權重關聯於一發送器特徵分量。
  13. 如請求項12所述之射頻指紋訊號處理方法，更包括：使用增加的該發送器特徵權重來計算該神經網路之該輸出值。
  14. 如請求項13所述之射頻指紋訊號處理方法，更包括：當使用該輸出值將一第一發送器的特徵訊號分類為一第二發送器的特徵訊號時，解析該輸出值中的該發送器特徵分量；以及回饋該發送器特徵分量的資訊。
  15. 如請求項12所述之射頻指紋訊號處理方法，更包括：當判斷該些輸入訊號的準確度大於或等於一門檻值時，輸出該神經網路之一訓練結果。
  16. 如請求項15所述之射頻指紋訊號處理方法，更包括：根據複數個神經元權重來識別一射頻訊號之一來源接收器，其中該些神經元權重包括經減少的該接收器特徵權重及經增加的該發送器特徵權重。
TW109136300A 2020-10-20 2020-10-20 射頻指紋訊號處理裝置及射頻指紋訊號處理方法 TWI775186B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW109136300A TWI775186B (zh) 2020-10-20 2020-10-20 射頻指紋訊號處理裝置及射頻指紋訊號處理方法
US17/099,796 US11985508B2 (en) 2020-10-20 2020-11-17 RF fingerprint signal processing device and RF fingerprint signal processing method
GB2018409.9A GB2600178B (en) 2020-10-20 2020-11-23 RF fingerprint signal processing device and rf fingerprint signal processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109136300A TWI775186B (zh) 2020-10-20 2020-10-20 射頻指紋訊號處理裝置及射頻指紋訊號處理方法

Publications (2)

Publication Number Publication Date
TW202217628A TW202217628A (zh) 2022-05-01
TWI775186B true TWI775186B (zh) 2022-08-21

Family

ID=74046853

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109136300A TWI775186B (zh) 2020-10-20 2020-10-20 射頻指紋訊號處理裝置及射頻指紋訊號處理方法

Country Status (3)

Country Link
US (1) US11985508B2 (zh)
GB (1) GB2600178B (zh)
TW (1) TWI775186B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12003289B2 (en) * 2021-06-13 2024-06-04 Levl Parent, Llc System and method for radio frequency fingerprinting
CN114024556B (zh) * 2021-10-28 2022-07-29 电子科技大学 一种基于级联锁相环的射频指纹重构前端发射链路

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7002509B2 (en) * 2003-02-24 2006-02-21 Networkfab Corporation Method and system for emitter identification using transmission signatures
US20100227626A1 (en) * 1998-09-22 2010-09-09 Polaris Wireless, Inc. Location Determination Using RF Fingerprinting
CN102186239A (zh) * 2011-04-13 2011-09-14 福建星网锐捷网络有限公司 射频指纹定位方法、装置及网络设备
TWI365998B (zh) * 2008-04-30 2012-06-11
TWI433563B (zh) * 2010-06-21 2014-04-01 Htc Corp 最小化路測記錄之回報方法以及提取方法、行動通訊裝置以及服務網路
US10219129B2 (en) * 2016-03-30 2019-02-26 Intel Corporation Autonomous semantic labeling of physical locations

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7039363B1 (en) * 2001-09-28 2006-05-02 Arraycomm Llc Adaptive antenna array with programmable sensitivity
CN107046468B (zh) * 2017-06-14 2020-10-02 电子科技大学 一种物理层认证门限确定方法及系统
US10944440B2 (en) * 2018-04-11 2021-03-09 Booz Allen Hamilton Inc. System and method of processing a radio frequency signal with a neural network
CN108960138B (zh) 2018-07-03 2019-07-02 南方电网科学研究院有限责任公司 一种基于卷积神经网络的设备认证特征识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100227626A1 (en) * 1998-09-22 2010-09-09 Polaris Wireless, Inc. Location Determination Using RF Fingerprinting
US7002509B2 (en) * 2003-02-24 2006-02-21 Networkfab Corporation Method and system for emitter identification using transmission signatures
TWI365998B (zh) * 2008-04-30 2012-06-11
TWI433563B (zh) * 2010-06-21 2014-04-01 Htc Corp 最小化路測記錄之回報方法以及提取方法、行動通訊裝置以及服務網路
CN102186239A (zh) * 2011-04-13 2011-09-14 福建星网锐捷网络有限公司 射频指纹定位方法、装置及网络设备
US10219129B2 (en) * 2016-03-30 2019-02-26 Intel Corporation Autonomous semantic labeling of physical locations

Also Published As

Publication number Publication date
US11985508B2 (en) 2024-05-14
GB202018409D0 (en) 2021-01-06
TW202217628A (zh) 2022-05-01
US20220124487A1 (en) 2022-04-21
GB2600178A (en) 2022-04-27
GB2600178B (en) 2022-12-14

Similar Documents

Publication Publication Date Title
Roy et al. RFAL: Adversarial learning for RF transmitter identification and classification
Wong et al. Clustering learned CNN features from raw I/Q data for emitter identification
WO2021077841A1 (zh) 一种基于循环残差网络的信号调制识别方法及装置
TWI775186B (zh) 射頻指紋訊號處理裝置及射頻指紋訊號處理方法
CN112149524B (zh) 一种雷达信号分选识别方法、装置、探测器及存储介质
Zhang et al. Few-shot learning of signal modulation recognition based on attention relation network
Li et al. A deep convolutional network for multitype signal detection and classification in spectrogram
CN112329837B (zh) 一种对抗样本检测方法、装置、电子设备及介质
CN114143040A (zh) 一种基于多通道特征重构的对抗信号检测方法
CN115546608A (zh) 一种无人机数据链电磁干扰分类和威胁评估方法
CN115294615A (zh) 一种基于机器学习的射频指纹识别方法
CN113902944A (zh) 模型的训练及场景识别方法、装置、设备及介质
CN115577357A (zh) 一种基于堆叠集成技术的Android恶意软件检测方法
McClintick et al. Countering physical eavesdropper evasion with adversarial training
CN117579101B (zh) 载波通讯模块的控制方法及其系统
CN112949785B (zh) 对象检测方法、装置、设备及计算机存储介质
Han et al. Radar specific emitter identification based on open-selective kernel residual network
CN117580090A (zh) 移动终端通信稳定性测试方法及系统
Zhang et al. Machine learning based protocol classification in unlicensed 5 GHz bands
CN114168788A (zh) 音频审核的处理方法、装置、设备及存储介质
CN116796187A (zh) 一种输电线局部放电检测方法
CN113782051B (zh) 广播效果分类方法及系统、电子设备和存储介质
CN113951898B (zh) 数据迁移的p300脑电信号检测方法及装置、电子设备、介质
CN114970638A (zh) 雷达辐射源个体开集识别方法及系统
Wang et al. Specific emitter identification based on the multi‐discrepancy deep adaptation network

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent